中文词频统计

Posted 2022-01-24 allanchen-

中文词频统计

1. 下载一长篇中文小说。

2. 从文件读取待分析文本。

3. 安装并使用jieba进行中文分词。

pip install jieba

import jieba

ljieba.lcut(text)

4. 更新词库，加入所分析对象的专业词汇。

jieba.add_word(‘天罡北斗阵‘)  #逐个添加

jieba.load_userdict(word_dict)  #词库文本文件

参考词库下载地址：https://pinyin.sogou.com/dict/

转换代码：scel_to_text

5. 生成词频统计

6. 排序

7. 排除语法型词汇，代词、冠词、连词等停用词。

stops

8. 输出词频最大TOP20，把结果存放到文件里

9. 生成词云。

安装词云：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple wordcloud

下载安装：下载 https://www.lfd.uci.edu/~gohlke/pythonlibs/#wordcloud

安装 找到下载文件的路径  pip install wordcloud-1.5.0-cp37-cp37m-win_amd64.whl

配置：

在WordCloud安装的目录下找到WordCloud.py文件，对源码进行修改。

编辑wordcloud.py，找到FONT_PATH，将DroidSansMono.ttf修改成msyh.ttf。这个msyh.ttf表示微软雅黑中文字体。

在同一个目录下放置msyh.ttf字体文件供程序调用（字体可以在C:\\Windows\\Fonts复制）

使用：

1、引入模块

from wordcloud import WordCloud

import matplotlib.pyplot as plt

2、导入文本

  准备生成词云的文本word_text =‘ ‘.join(wordlist)  #是以空格分隔的字符串

4、生成词云

mywc = WordCloud().generate(wl_split)

5、显示词云

plt.imshow(mywc)

plt.axis("off")

plt.show()

from wordcloud import WordCloud
import matplotlib.pyplot as plt
import jieba
article = open(‘魔法学徒.txt‘,‘r‘, encoding=‘UTF-8‘).read() #打开统计词频文本

stopwords = []
for word in open(‘stops_chinese1.txt‘,‘r‘, encoding=‘UTF-8‘): #导入停用词
    stopwords.append(word.strip())

jieba.load_userdict(‘魔法学徒词库.txt‘) #词库文本文件
words=jieba.lcut(article)

word_freq =  #分词
for word in words:
    if len(word) == 1:
        continue
    else:
        word_freq[word] = word_freq.get(word, 0) + 1

for word in stopwords:  #去掉停用词
    if word in word_freq.keys():
        word_freq.pop(word)

freq_word = [] #统计词频
for word, freq in word_freq.items():
    freq_word.append((word, freq))
freq_word.sort(key = lambda x: x[1], reverse = True)

for i in range(20):#输出词频最大TOP20
    print(freq_word[i])

cut_text = " ".join(words)
‘print(cut_text)‘

mywc = WordCloud().generate(cut_text)
plt.imshow(mywc)
plt.axis("off")
plt.show()

效果截图;